CN111104888A - Aviris高分辨率数据支持的云检测算法自动生成技术 - Google Patents
Aviris高分辨率数据支持的云检测算法自动生成技术 Download PDFInfo
- Publication number
- CN111104888A CN111104888A CN201911270680.8A CN201911270680A CN111104888A CN 111104888 A CN111104888 A CN 111104888A CN 201911270680 A CN201911270680 A CN 201911270680A CN 111104888 A CN111104888 A CN 111104888A
- Authority
- CN
- China
- Prior art keywords
- cloud
- pixel
- data
- aviris
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 9
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 238000005316 response function Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 description 14
- 238000001228 spectrum Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 102000006463 Talin Human genes 0.000 description 3
- 108010083809 Talin Proteins 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002381 microspectrum Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种AVIRIS高分辨率遥感数据支持的云检测算法自动生成技术,适用于多种传感器数据的云检测。本发明基于AVIRIS高分辨率数据建立像元库,进行待云检测传感器数据的模拟,通过阈值的自动选取以及加权合成,实现云检测算法自动生成,包括以下步骤:第一步建立像元库,基于AVIRIS高分辨率数据建立云像元和晴空像元的表观反射率数据库。第二步数据模拟,将AVIRIS高分辨率数据像元库转换为待云检测影像数据的多光谱像元库。第三步阈值自动选取,使用单通道法、多通道法、比值法、差值法以及多种通道组合的方法进行云检测算法阈值的自动生成。第四步加权合成,结合云检测算法的正确率,对不同云检测算法的结果进行加权合成,生成云概率图。
Description
技术领域
本发明涉及一种AVIRIS高分辨率数据支持的云检测算法自动生成技术,适用于多种传感器数据的云检测。
背景技术
云覆盖了50%以上的大陆地表,它的存在直接影响太阳和地球表面的辐射能量传输过程,在辐射收支平衡中扮演着重要的角色。由于天气原因以及传感器自身观测条件等因素的影响,致使卫星传感器探测范围内云层覆盖现象比较普遍,难以获取完全无云的影像。目前,在获取地表信息的过程中,除部分主动传感器能穿透云层获取地表信息,其他类型传感器均未能彻底解决遥感影像的云覆盖问题。在海量的遥感图像数据中,云覆盖导致被遮挡的地物信息丢失或变得模糊,难以保证影像信息的提取、利用及后期处理的精度,有时甚至无法进行,不仅降低了数据的利用效率,对不同遥感数据的融合以及各种大气参数反演的准确性都有很大影响,因此对遥感影像中的云进行快速检测并自动获取无云覆盖的遥感影像是非常重要的。
阈值法是目前应用最广泛的云检测方法,其算法简单、运算速度快。云在可见光范围内反射率较大,在红外波段范围亮度温度较低,可以根据云的这种光谱特性进行阈值法检测。分析云及下垫面不同地物在不同波段的光谱特性差异,利用单个波段数据或者多个波段数据组合,通过设置一个固定的阈值实现云像元与晴空像元的识别。因此,阈值的选取是影响云像元正确识别的关键因素。常见的阈值法有ISCCP算法APOLLO算法(Saundersetal,1988)、(Rossow etal,1989)、CO2薄片法(Wylie etal,1989)、CLAVR算法(Sroweetal,1991),这些方法主要根据经验确定阈值进行云检测。传统的阈值法都是基于组分光谱差异的分析技术,以点为分析尺度然后逐像元进行检测。在对某一波长处的波谱信息进行分析时,获取的是云和下垫面的地表反射率差异,而检测过程使用的是表观反射率数据。由于大气的影响,使得地表反射率与表观反射率不同,这种点到像元的扩展和反射率的差异使阈值不能有效的确定并且影响了检测的精度。传统阈值法的检测结果是云像元和晴空像元的二值影像,用户不能根据自己的需要去除云的影响。
目前大多数的云检测算法主要针对AVHRR、MODIS等中低分辨率传感器数据,由于不同的传感器各通道的光谱响应函数存在差异,相同的算法会导致云检测结果的精度不可靠。若对不同的传感器数据都要研究不同的云检测算法则需要花费大量的精力,且算法自动化程度低,适用范围小,不利于后续工作的使用。此外,云层随季节变化明显,不同时间和空间上云的类别、厚度、高度各不相同且分布不确定,且传感器获取影像时的太阳高度角、传感器观测角、方位不断变化,也会导致遥感影像上云特征的不同,使得自动云检测算法的实现有一定的困难。
发明内容
针对现有技术中存在的上述问题,本发明提出了一种AVIRIS高分辨率数据支持的适用于多种传感器数据的云检测算法自动生成技术。AVIRIS(机载可见光/红外成像光谱仪)测量从400纳米到2500纳米范围的太阳辐射,光谱带宽为10nm,具有高光谱分辨率、高信噪比和高空间分辨率的特点。与常规的卫星遥感数据相比,AVIRIS高分辨率数据的光谱分辨率达到纳米级,可以探测到地物在光谱特性上更微小的差异。本发明基于AVIRIS高分辨率数据建立像元库,进行待云检测传感器数据的模拟,通过阈值的自动选取以及加权合成,实现云检测算法自动生成,采用的具体步骤如下:
第一步:建立像元库
1)选取不同年份,不同时相,不同区域的AVIRIS数据。
2)从选取的AVIRIS数据中人工选取各种地表覆盖类型建立晴空像元库。
3)从选取的AVIRIS数据中人工选取不同的云类型建立云像元库。包括薄云、厚云、碎云、云边缘以及不同地表类型上空的云。
4)云像元库与晴空像元库是一个表观反射率数据库。
5)在建立像元库时不仅云和地表类型要全面,数量也要足够。
第二步:数据模拟
将AVIRIS高分辨率数据的像元库转换为需要进行云检测影像数据的多光谱像元库,基于待模拟传感器的光谱响应函数,建立AVIRIS高分辨率数据和待模拟传感器数据之间的数学关系。计算公式如下:
式中,是多光谱数据像元的表观反射率值,NHSI是AVIRIS传感器的通道数,Δj是AVIRIS高分辨率数据的通道宽度,是AVIRIS高分辨率数据的表观反射率值,NMSI是需要进行云检测传感器的通道数。Cij为多光谱数据合成时的权重,权重的选取是基于AVIRIS数据光谱响应的线性方程寻找待云检测传感器数据通道响应的最大近似,可以根据下式计算:
第三步:阈值的自动选取
本发明使用单通道法、多通道法、比值法、差值法以及多种通道组合的方法进行云像元阈值的自动检测识别,并综合考虑了地物和云的微小波谱差异。
1)将地表误判率限定在一个值内,地表误判率=晴空像元库中误判为云的晴空像元/总的晴空像元*100%。
2)将阈值从算法得到的值域以某一个间隔变化,当阈值逐渐变大时云像元的正确率和地表误判率也随之变化,当云像元的正确率达到最高且随阈值变化对其影响不大时,对应的阈值则为最佳阈值。云像元的正确率=正确识别的云像元/总的云像元*100%。
3)将云像元检测结果的可信度水平用[0,1]区间范围的任意一个值表示,值越大说明云像元的检测结果越可信。可信度大小可以根据像元值到阈值的距离确定,可表示为下面公式:
MIN和MAX是统计的有云的最小和最大的检测阈值,T为最佳阈值。
第四步:加权合成
结合云检测算法的正确率,对不同算法的结果进行加权计算,生成云概率图。云概率的计算公式如下:
其中,Fi是云检测结果可信度水平,N是多光谱数据的算法总数,Qi是对应云检测结果的权重,即云检测算法中最佳阈值T对应的云像元的正确率。
本发明具有如下优点:
本发明的云检测自动生成算法是以待模拟传感器的多光谱数据的云和晴空地表在不同波长处的波谱不同为基础生成的。基于AVIRIS高分辨率数据像元库,根据像元库的反射率数据对检测数据进行模拟,是一种已知反射率的云检测算法生成技术。并且可以设置地表误判率,根据云像元的正确率自动确定阈值,减少了主观的影响并限制了像元的误判。在本发明中,云检测自动生成算法通过单波段或波段任意组合分析反射率的差异确定云检测的波段。本发明的方法适用于多种传感器数据,并且除了需要待检测多光谱数据的光谱响应函数外不再需要其他信息。本发明提出的算法操作简单、执行效率高、运行速度快,自动化程度高,并可对大量的遥感卫星数据进行云检测的批处理。本发明云检测的结果是生成云概率图而不是二值影像,像元的值表示的是其为云像元的可能性。用户可以根据具体的应用选择合适的置信区间来确定云覆盖像元。
附图说明
图1是本发明AVIRIS高分辨率数据支持的云检测算法自动生成技术的流程图;
图2是需要云检测的Landsat-8 OLI影像数据;
图3是构建的晴空像元库;
图4是构建的云像元库;
图5是对应的云检测结果概率图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,结合附图和实例数据,对本发明进行进一步详细说明。以下具体实施方式仅仅用以解释本发明,并不用于限定本发明。如图1所示,AVIRIS高分辨率数据支持的云检测算法的自动生成技术,包括以下步骤:
第一步:Landsat-8影像辐射定标
1)选取进行云检测算法验证的Landsat-8影像,影像中有多种类型的云以及各种地表覆盖类型,如图2所示。
Landsat-8携带OLI(Operational Land Imager,陆地成像仪)和TIRS(ThermalInfrared Sensor,热红外传感器)两个传感器。Landsat-8 OLI数据共有9个波段,其中全色波段的空间分辨率为15m,其余波段的空间分辨率为30m。
2)将Landsat-8影像数据的DN值转换为表观反射率值。校正系数由Landsat-8影像元数据提供,计算公式如下:
ρλ′=MρQcal+Ap (式1)
其中,ρλ′为未经太阳角校正的大气上层表观反射率,Mρ为从元数据中获取的具体波段的乘法调节因子,Qcal为影像DN值,Ap为从元数据中获取的加法调节因子。
然后基于太阳角,对上一步骤中转换的大气表观反射率进行校正,计算公式如下:
其中,θSZ为太阳天顶角,θSE为太阳高度角。
第二步:建立像元库
1)选取不同年份,不同时相,不同区域的AVIRIS高分辨率数据。
选取了2008-2011年的26景不同时相不同区域的AVIRIS高分辨率数据。
2)从选取的AVIRIS数据中人工选取各种地表覆盖类型构建晴空像元库。
为避免下垫面的地物特征随时间发生变化造成的时相误差,构建晴空像元库时应选择多时相影像数据。构建的晴空像元库包括水体(海洋、河流、湖泊)、植被(农田、草地、森林)、人工地表(工业用地、道路、城镇)、其他(裸地、雪和海岸线)四类土地利用/土地覆盖类型。图3是建立的晴空像元库的示例,影像波段为140,50,20合成,经统计晴空像元库有374块,共680978个像元。
3)从选取的AVIRIS数据中人工选取不同的云类型建立云像元库。
由于云层的高度、厚度以及传感器的观测角度、下垫面的地物类型等都会影响云像元的反射率,在建立云像元库时,不仅包括薄云、厚云、碎云、云边缘多种云类型,还应包括浓密植被覆盖区上空的云、城镇地表上空的云、水体上空的云、山地上空的云等不同地表类型上空的云。图4是建立的典型云像元库的示例,显示的是影像140,50,20波段合成结果,经统计云像元库有397块,共425492个像元。
3)为了使云检测算法更加精确,减少误判,建立像元库时,每种类型的选取不仅要全面,更要有充足的数量。
4)获取的是云像元与晴空像元的表观反射率数据库,消除传感器误差及大气的影响,使像元库中云与地物更接近真实地表。
第三步:数据模拟
为了获取Landsat-8传感器数据在可见光到短波红外波段范围内云和晴空地表的多光谱像元库数据,用已建立的AVIRIS高分辨率像元库进行数据模拟,得到Landsat-8多光谱数据云和各种地表地物的表观反射率数据的像元库。在这个过程中,AVIRIS高光谱数据波段加权合成Landsat-8的多光谱数据。数据模拟的具体步骤如下:
1)将利用AVIRIS高分辨率数据构建的像元库转换为Landsat-8传感器的多光谱数据像元库。AVIRIS高分辨率数据光谱范围覆盖了Landsat-8多光谱数据的光谱范围,其波谱连续且相对较窄。与Landsat-8多光谱数据相比,AVIRIS高分辨率数据在波段数量、波段范围以及精细化信息表达等方面具有优势。计算公式如下:
其中,NMSI是Landsat-8传感器的通道数,NHSI是AVIRIS传感器的通道数,Landsat-8数据第i个通道的波谱响应系数以λk为步长分为n段,AVIRIS高分辨率数据的通道也以λk为步长等分,Cij为多光谱数据合成时的权重,权重的选取是基于AVIRIS数据光谱响应的线性方程寻找Landsat-8传感器数据通道响应的最大近似,可以根据式3通过最小二乘拟合得出。
2)建立Landsat-8多光谱数据库与AVIRIS数据库的数学关系。根据Landsat-8多光谱数据的光谱响应函数,结合上一步中AVIRIS数据合成的多光谱数据进行两类型之间的数据模拟,得到Landsat-8多光谱数据中云和晴空地表像元库的表观反射率数据。计算公式如下:
第四步:阈值的自动选取
模拟的Landsat-8多光谱数据的云和地物在不同的波长处存在波谱差异,可以利用云与地物在单个通道或多个通道的亮温、反射率等特征值区分云像元与晴空像元。根据模拟的Landsat-8多光谱数据的像元库自动确定阈值,克服了传统的根据经验选取阈值的局限性,减少了主观性的影响,准确性更高。阈值自动获取的流程如下:
1)将地表误判率限定在5%以内,地表误判率=晴空像元库中误判为云的晴空像元数/总的晴空像元数*100%。
2)统计上述云检测算法获取的最小值与最大值,将阈值以0.01为间隔变化。当阈值逐渐变大时云像元的正确率和地表误判率也随之变化,当云像元的正确率随阈值的变化增长缓慢而误判率随着阈值的增大有着明显的增加,当云像元的正确率达到最高且随阈值变化对其影响不大时,对应的阈值则为最佳阈值,此时误判率也最小。云像元的正确率=正确识别的云像元/总的云像元*100%。
经过波段运算、阈值确定、重合度判断等一系列的运算后自动生成云检测算法。
本发明中单通道云检测算法判别云像元的条件分别为:
Band1>0.18,Band2>0.19,Band3>0.21,Band4>0.20,Band5>0.45,Band6>0.27,Band7>0.24
多通道云检测算法判别云像元的条件分别为:
Band1>0.15&Band5>0.25,Band1>0.14&Band7>0.21,Band2>0.15&Band4>0.26
Band2>0.13&Band6>0.21,Band3>0.13&Band4>0.28,Band4>0.10&Band5>0.27
Band6>0.30&Band8>0.15
比值法云检测判别云像元的条件分别为:
1.00<Band5/Band3<0.26,1.00<Band7/Band6<0.25
差值法云检测判别云像元的条件分别为:
0.16<Band1-Band7<0.24,0.16<Band2-Band7<0.27,0.14<Band3-Band7<0.26
3)仪器的噪音、地面光谱辐射特性、大气的湿度及气溶胶的反射等都会影响云检测结果的可信度。因此利用阈值法进行云检测时,检测结果存在可信度问题。本发明将云像元检测结果的可信度水平用[0,1]区间范围的任意一个值表示,值越大说明云像元的检测结果越可信。可信度计算公式如下:
MIN和MAX是云检测算法统计的有云的最小和最大检测阈值,T为最佳阈值,值在MIN和MAX之间表示其可信度在0到1之间。如果观测值x大于最大检测阈值MAX,则Landsat-8检测像元是云像元的可信度为1;如果观测值x小于最小检测阈值MIN,则Landsat-8检测像元是晴空像元,云像元的可信度为0。
第五步:加权合成
不同的云检测算法产生不同的检测结果,而且不同的算法会产生云检测结果的重叠,需要进行重叠度的判断。当两个云检测算法的结果完全相同,为了减小内存,降低云检测的速率,应删除其中一个算法;当云检测结果的重叠度不一致时,若将检测结果取并集,会使每一个算法中的误判像元都影响最终结果,导致云检测结果的误差增大;若将检测结果取交集,则会将某一方法中检测正确的像元漏判,使云像元信息损失。考虑上述因素后。对不同的算法结果进行加权计算,生成云概率图。云概率图中像元的值表示其为云像元的可能性,云概率的计算公式如下:
其中,Fi是云检测结果可信度水平,N是多光谱数据的算法总数,Qi是对应云检测结果的权重,即云检测算法中最佳阈值对应的云像元的正确率。云概率的大小表示Landsat-8检测像元为云像元的可能性大小,概率值越大说明检测结果为云像元越可信。若结果图中概率为1,表示该像元是完全云像元,若概率为0,则表示该像元是完全晴空像元。
图5是运用本发明提出的方法获取的云检测结果概率图,从图中可以看到不管是厚云还是薄云、碎云,都有很好的提取结果。其结果图不是简单的二值影像,像元的值表示的是其为云像元的可能性,取值范围为[0,1]。
Claims (5)
1.AVIRIS高分辨率数据支持的云检测算法自动生成技术,包括以下步骤:
第一步:建立像元库,基于AVIRIS高分辨率数据建立云像元和晴空像元的表观反射率数据库;
第二步:数据模拟,将AVIRIS像元库转换为待云检测影像数据的多光谱像元库;
第三步:阈值的自动选取,使用单通道法、多通道法、比值法、差值法以及多种通道组合的方法进行云检测算法阈值的自动生成;
第四步:加权合成,结合云检测算法的正确率,对不同算法的结果进行加权计算,生成云概率图。
2.根据权利要求1所述的方法,其特征在于,第一步中像元库的建立步骤如下:
2-1)选取不同年份,不同时相,不同区域的AVIRIS数据;
2-2)从选取的AVIRIS数据中人工选取各种地表覆盖类型建立晴空像元库;
2-3)从选取的AVIRIS数据中人工选取不同的云类型建立云像元库。包括薄云、厚云、碎云、云边缘以及不同地表类型上空的云;
2-4)在建立像元库时不仅云和地表类型要全面,数量也要足够。
3.根据权利要求2所述的方法,其特征在于,第二步中数据模拟的过程如下:
基于待模拟传感器的光谱响应函数,建立AVIRIS高分辨率数据和待模拟传感器数据之间的数学关系。计算公式如下:
式中,是多光谱数据像元的表观反射率值,NHSI是AVIRIS传感器的通道数,Δj是AVIRIS高分辨率数据的通道宽度,是AVIRIS高分辨率数据像元的表观反射率值,NMSI是需要进行云检测传感器的通道数。Cij为多光谱数据合成时的权重,是基于AVIRIS数据光谱响应的线性方程寻找待云检测传感器数据通道响应的最大近似,可以根据下式计算:
4.根据权利要求3所述的方法,其特征在于,第三步中阈值的自动选取步骤如下:
4-1)将地表误判率限定在一个值内,地表误判率=晴空像元库中误判为云的晴空像元/总的晴空像元*100%;
4-2)云检测算法得到阈值的最大值与最小值,在其值域内以某一个间隔变化,当阈值逐渐变大时云像元的正确率和地表误判率也随之变化,当云像元的正确率达到最高且随阈值变化对其影响不大时,对应的阈值则为最佳阈值。云像元的正确率=正确识别的云像元/总的云像元*100%;
4-3)将云像元检测结果的可信度水平用[0,1]区间范围的任意一个值表示,值越大说明云像元的检测结果越可信。可信度大小可以根据像元值到阈值的距离确定,可表示为下面公式:
MIN和MAX是统计的有云的最小和最大的检测阈值,T为最佳阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270680.8A CN111104888A (zh) | 2019-12-04 | 2019-12-04 | Aviris高分辨率数据支持的云检测算法自动生成技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270680.8A CN111104888A (zh) | 2019-12-04 | 2019-12-04 | Aviris高分辨率数据支持的云检测算法自动生成技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111104888A true CN111104888A (zh) | 2020-05-05 |
Family
ID=70421851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911270680.8A Pending CN111104888A (zh) | 2019-12-04 | 2019-12-04 | Aviris高分辨率数据支持的云检测算法自动生成技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104888A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN111986288A (zh) * | 2020-07-29 | 2020-11-24 | 北京玖天气象科技有限公司 | 一种透明云图的制作方法及装置 |
CN114332651A (zh) * | 2022-03-16 | 2022-04-12 | 成都信息工程大学 | 一种基于拟合模型的云参数确定方法及系统 |
CN115424131A (zh) * | 2022-07-19 | 2022-12-02 | 南京航空航天大学 | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627879A (zh) * | 2018-05-10 | 2018-10-09 | 中南林业科技大学 | 一种多源气象卫星云检测方法 |
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
-
2019
- 2019-12-04 CN CN201911270680.8A patent/CN111104888A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627879A (zh) * | 2018-05-10 | 2018-10-09 | 中南林业科技大学 | 一种多源气象卫星云检测方法 |
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
Non-Patent Citations (1)
Title |
---|
LIN SUN ET AL.: "A cloud detection algorithm-generating method for remote sensing data at visible to short-wave infrared wavelengths", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN111986288A (zh) * | 2020-07-29 | 2020-11-24 | 北京玖天气象科技有限公司 | 一种透明云图的制作方法及装置 |
CN114332651A (zh) * | 2022-03-16 | 2022-04-12 | 成都信息工程大学 | 一种基于拟合模型的云参数确定方法及系统 |
CN115424131A (zh) * | 2022-07-19 | 2022-12-02 | 南京航空航天大学 | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira et al. | Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis | |
CN111104888A (zh) | Aviris高分辨率数据支持的云检测算法自动生成技术 | |
Eva et al. | Burnt area mapping in Central Africa using ATSR data | |
CN104502999B (zh) | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 | |
Sobrino et al. | Synergistic use of MERIS and AATSR as a proxy for estimating Land Surface Temperature from Sentinel-3 data | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
Liu et al. | A machine learning-based cloud detection algorithm for the Himawari-8 spectral image | |
CN110427818B (zh) | 高光谱数据支持的深度学习卫星数据云检测方法 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
Lück et al. | Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+ images | |
US20050114027A1 (en) | Cloud shadow detection: VNIR-SWIR | |
Avery et al. | CALIOP V4 cloud thermodynamic phase assignment and the impact of near-nadir viewing angles | |
Sèze et al. | Evaluation against CALIPSO lidar observations of the multi‐geostationary cloud cover and type dataset assembled in the framework of the Megha‐Tropiques mission | |
CN114627087B (zh) | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 | |
Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
Lee et al. | New approach for snow cover detection through spectral pattern recognition with MODIS data | |
Smith | A comparison of DG AComp, FLAASH and QUAC atmospheric compensation algorithms using WorldView-2 IMagery | |
Liu et al. | Assessment of generalized allometric models for aboveground biomass estimation: A case study in Australia | |
CN115452167A (zh) | 基于不变像元的卫星遥感器交叉定标方法和装置 | |
Favrichon et al. | Detecting cloud contamination in passive microwave satellite measurements over land | |
Kleynhans | Detecting land-cover change using Modis time-series data | |
Dedieu et al. | Interpretation of a RADARSAT-2 fully polarimetric time-series for snow cover studies in an Alpine context–first results | |
Mauser et al. | Imaging spectroscopy in hydrology and agriculture-determination of model parameters | |
Sartika et al. | Determining the Precision of Spectral Patterns Arising from Atmospheric Correction Utilizing MODTRAN-FLAASH and 6S Approaches on High-Resolution SPOT-6 Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200505 |